Skip to content

Latest commit

 

History

History
executable file
·
224 lines (186 loc) · 13.1 KB

README.md

File metadata and controls

executable file
·
224 lines (186 loc) · 13.1 KB

Resnet

目录

1. 简介

本例程对torchvision Resnet的模型和算法进行移植，使之能在SOPHON BM1684和BM1684X上进行推理测试。

论文: Resnet论文

深度残差网络（Deep residual network, ResNet）是由于Kaiming He等在2015提出的深度神经网络结构，它利用残差学习来解决深度神经网络训练退化的问题。

在此非常感谢Kaiming He, Xiangyu Zhang, Shaoqing Ren, Jian Sun等人的贡献。

2. 特性

  • 支持BM1684X(x86 PCIe、SoC)和BM1684(x86 PCIe、SoC、arm PCIe)
  • 支持FP32、FP16(BM1684X)、INT8模型编译和推理
  • 支持基于OpenCV和BMCV预处理的C++推理
  • 支持基于OpenCV和BMCV预处理的Python推理
  • 支持单batch和多batch模型推理
  • 支持图片测试

3. 准备模型与数据

建议使用TPU-MLIR编译BModel，Pytorch模型在编译前要导出成onnx模型。具体可参考ResNet模型导出。

同时，您需要准备用于测试的数据集，如果量化模型，还要准备用于量化的数据集。

本例程在scripts目录下提供了相关模型和数据集的下载脚本download.sh，您也可以自己准备模型和数据集，并参考5. 模型编译进行模型转换。

chmod +x ./scripts/*
./scripts/download.sh

执行后，模型保存至models，测试数据集下载并解压至datasets/imagenet_val_1k，量化数据集下载并解压至datasets/cali_data

下载的模型包括：

.
├── BM1684
│   ├── resnet50_fp32_1b.bmodel   # 使用TPU-MLIR编译，用于BM1684的FP32 BModel，batch_size=1
│   ├── resnet50_int8_1b.bmodel   # 使用TPU-MLIR编译，用于BM1684的INT8 BModel，batch_size=1
│   └── resnet50_int8_4b.bmodel   # 使用TPU-MLIR编译，用于BM1684的INT8 BModel，batch_size=4
├── BM1684X
│   ├── resnet50_fp32_1b.bmodel   # 使用TPU-MLIR编译，用于BM1684X的FP32 BModel，batch_size=1
│   ├── resnet50_fp16_1b.bmodel   # 使用TPU-MLIR编译，用于BM1684X的FP16 BModel，batch_size=1
│   ├── resnet50_int8_1b.bmodel   # 使用TPU-MLIR编译，用于BM1684X的INT8 BModel，batch_size=1
│   └── resnet50_int8_4b.bmodel   # 使用TPU-MLIR编译，用于BM1684X的INT8 BModel，batch_size=4
├── torch
│   ├── resnet50-11ad3fa6.pth                         # 原始模型
│   └── resnet50-11ad3fa6.torchscript.pt              # trace后的torchscript模型
└── onnx
    ├── resnet50_dynamic.onnx                          # 导出的动态onnx模型
    └── resnet50_qtable                                # 量化效果不好时，可以使用该qtable设置敏感层

下载的数据包括：

./datasets
├── cali_data                   # 量化图片, 共200张   
│    
└── imagenet_val_1k                                      
    ├── img                     # 测试图片, 共1000张
    └── label.txt               # 标签文件

4. 模型编译

导出的模型需要编译成BModel才能在SOPHON TPU上运行，建议使用TPU-MLIR编译BModel。

模型编译前需要安装TPU-MLIR，具体可参考TPU-MLIR环境搭建。安装好后需在TPU-MLIR环境中进入例程目录。使用TPU-MLIR将onnx模型编译为BModel，具体方法可参考《TPU-MLIR快速入门手册》的“3. 编译ONNX模型”(请从算能官网相应版本的SDK中获取)。

  • 生成FP32 BModel

​本例程在scripts目录下提供了TPU-MLIR编译FP32 BModel的脚本，请注意修改gen_fp32bmodel_mlir.sh中的onnx模型路径、生成模型目录和输入大小shapes等参数，并在执行时指定BModel运行的目标平台（支持BM1684/BM1684X），如：

./scripts/gen_fp32bmodel_mlir.sh bm1684
#or
./scripts/gen_fp32bmodel_mlir.sh bm1684x

​执行上述命令会在models/BM1684或models/BM1684X/下生成resnet50_fp32_1b.bmodel文件，即转换好的FP32 BModel。

  • 生成FP16 BModel

​本例程在scripts目录下提供了TPU-MLIR编译FP16 BModel的脚本，请注意修改gen_fp16bmodel_mlir.sh中的onnx模型路径、生成模型目录和输入大小shapes等参数，并在执行时指定BModel运行的目标平台（支持BM1684X），如：

./scripts/gen_fp16bmodel_mlir.sh bm1684x

​执行上述命令会在models/BM1684X/下生成resnet50_fp16_1b.bmodel文件，即转换好的FP16 BModel。

  • 生成INT8 BModel

​本例程在scripts目录下提供了量化INT8 BModel的脚本，请注意修改gen_int8bmodel_mlir.sh中的onnx模型路径、生成模型目录和输入大小shapes等参数，在执行时输入BModel的目标平台（支持BM1684/BM1684X），如：

./scripts/gen_int8bmodel_mlir.sh bm1684
#或
./scripts/gen_int8bmodel_mlir.sh bm1684x

​上述脚本会在models/BM1684或models/BM1684X/下生成resnet50_int8_1b.bmodel等文件，即转换好的INT8 BModel。

5. 例程测试

6. 精度测试

6.1 测试方法

首先，参考C++例程或Python例程推理要测试的数据集，生成预测的json文件，注意修改相关参数。
然后，使用tools目录下的eval_imagenet.py脚本，将预测结果文件与测试集标签文件进行对比，计算出分类准确率。具体的测试命令如下：

# 请根据实际情况修改文件路径
python3 tools/eval_imagenet.py --gt_path datasets/imagenet_val_1k/label.txt --result_json cpp/resnet_opencv/results/resnet50_fp32_1b.bmodel_img_opencv_cpp_result.json

6.2 测试结果

在imagenet_val_1k数据集上，精度测试结果如下：

测试平台 测试程序 测试模型 ACC(%)
BM1684 PCIe resnet_opencv.py resnet50_fp32_1b.bmodel 80.10
BM1684 PCIe resnet_opencv.py resnet50_int8_1b.bmodel 78.70
BM1684 PCIe resnet_bmcv.py resnet50_fp32_1b.bmodel 79.90
BM1684 PCIe resnet_bmcv.py resnet50_int8_1b.bmodel 78.50
BM1684 PCIe resnet_opencv.pcie resnet50_fp32_1b.bmodel 80.20
BM1684 PCIe resnet_opencv.pcie resnet50_int8_1b.bmodel 78.20
BM1684 PCIe resnet_bmcv.pcie resnet50_fp32_1b.bmodel 79.90
BM1684 PCIe resnet_bmcv.pcie resnet50_int8_1b.bmodel 78.50
BM1684X PCIe resnet_opencv.py resnet50_fp32_1b.bmodel 80.10
BM1684X PCIe resnet_opencv.py resnet50_fp16_1b.bmodel 80.10
BM1684X PCIe resnet_opencv.py resnet50_int8_1b.bmodel 79.10
BM1684X PCIe resnet_bmcv.py resnet50_fp32_1b.bmodel 80.00
BM1684X PCIe resnet_bmcv.py resnet50_fp16_1b.bmodel 80.00
BM1684X PCIe resnet_bmcv.py resnet50_int8_1b.bmodel 79.40
BM1684X PCIe resnet_opencv.pcie resnet50_fp32_1b.bmodel 80.00
BM1684X PCIe resnet_opencv.pcie resnet50_fp16_1b.bmodel 80.00
BM1684X PCIe resnet_opencv.pcie resnet50_int8_1b.bmodel 79.20
BM1684X PCIe resnet_bmcv.pcie resnet50_fp32_1b.bmodel 80.00
BM1684X PCIe resnet_bmcv.pcie resnet50_fp16_1b.bmodel 80.00
BM1684X PCIe resnet_bmcv.pcie resnet50_int8_1b.bmodel 79.40

测试说明：

  1. batch_size=4和batch_size=1的模型精度一致；
  2. SoC和PCIe的模型准确率一致；

7. 性能测试

7.1 bmrt_test

使用bmrt_test测试模型的理论性能：

# 请根据实际情况修改要测试的bmodel路径和devid参数
bmrt_test --bmodel models/BM1684/resnet50_fp32_1b.bmodel

测试结果中的calculate time就是模型推理的时间，多batch size模型应当除以相应的batch size才是每张图片的理论推理时间。 测试各个模型的理论推理时间，结果如下：

测试模型 calculate time(ms)
BM1684/resnet50_fp32_1b.bmodel 6.35
BM1684/resnet50_int8_1b.bmodel 3.92
BM1684/resnet50_int8_4b.bmodel 1.14
BM1684X/resnet50_fp32_1b.bmodel 8.84
BM1684X/resnet50_fp16_1b.bmodel 1.57
BM1684X/resnet50_int8_1b.bmodel 1.07
BM1684X/resnet50_int8_4b.bmodel 0.79

测试说明：

  1. 性能测试结果具有一定的波动性；
  2. calculate time已折算为平均每张图片的推理时间；
  3. SoC和PCIe的测试结果基本一致。

7.2 程序运行性能

参考C++例程或Python例程运行程序，并查看统计的解码时间、预处理时间、推理时间、后处理时间。C++例程打印的预处理时间、推理时间、后处理时间为整个batch处理的时间，需除以相应的batch size才是每张图片的处理时间。

在不同的测试平台上，使用不同的例程、模型测试datasets/imagenet_val_1k，性能测试结果如下：

测试平台 测试程序 测试模型 decode_time preprocess_time inference_time postprocess_time
BM1684 SoC resnet_opencv.py resnet50_fp32_1b.bmodel 10.28 8.06 9.03 0.31
BM1684 SoC resnet_opencv.py resnet50_int8_1b.bmodel 10.19 7.95 5.91 0.33
BM1684 SoC resnet_opencv.py resnet50_int8_4b.bmodel 10.06 8.00 3.24 0.11
BM1684 SoC resnet_bmcv.py resnet50_fp32_1b.bmodel 1.34 1.52 6.90 0.25
BM1684 SoC resnet_bmcv.py resnet50_int8_1b.bmodel 1.35 1.52 4.05 0.24
BM1684 SoC resnet_bmcv.py resnet50_int8_4b.bmodel 1.19 1.43 1.24 0.10
BM1684 SoC resnet_opencv.soc resnet50_fp32_1b.bmodel 1.47 6.23 6.49 0.14
BM1684 SoC resnet_opencv.soc resnet50_int8_1b.bmodel 1.47 6.27 3.64 0.15
BM1684 SoC resnet_opencv.soc resnet50_int8_4b.bmodel 1.29 6.26 1.11 0.12
BM1684 SoC resnet_bmcv.soc resnet50_fp32_1b.bmodel 3.90 2.45 6.49 0.11
BM1684 SoC resnet_bmcv.soc resnet50_int8_1b.bmodel 2.91 2.45 3.63 0.13
BM1684 SoC resnet_bmcv.soc resnet50_int8_4b.bmodel 2.85 2.41 1.11 0.11
BM1684X SoC resnet_opencv.py resnet50_fp32_1b.bmodel 4.03 8.57 11.41 0.30
BM1684X SoC resnet_opencv.py resnet50_fp16_1b.bmodel 1.85 8.49 4.29 0.29
BM1684X SoC resnet_opencv.py resnet50_int8_1b.bmodel 1.83 8.33 3.61 0.29
BM1684X SoC resnet_opencv.py resnet50_int8_4b.bmodel 1.75 8.47 3.04 0.10
BM1684X SoC resnet_bmcv.py resnet50_fp32_1b.bmodel 1.25 0.73 9.20 0.26
BM1684X SoC resnet_bmcv.py resnet50_fp16_1b.bmodel 1.26 0.73 2.04 0.26
BM1684X SoC resnet_bmcv.py resnet50_int8_1b.bmodel 1.31 0.77 1.56 0.26
BM1684X SoC resnet_bmcv.py resnet50_int8_4b.bmodel 1.02 0.62 0.90 0.10
BM1684X SoC resnet_bmcv.soc resnet50_fp32_1b.bmodel 2.55 0.47 8.72 0.12
BM1684X SoC resnet_bmcv.soc resnet50_fp16_1b.bmodel 2.85 0.47 1.58 0.12
BM1684X SoC resnet_bmcv.soc resnet50_int8_1b.bmodel 2.55 0.45 1.06 0.11
BM1684X SoC resnet_bmcv.soc resnet50_int8_4b.bmodel 2.49 0.42 0.79 0.09
BM1684X SoC resnet_opencv.soc resnet50_fp32_1b.bmodel 1.17 5.97 8.59 0.14
BM1684X SoC resnet_opencv.soc resnet50_fp16_1b.bmodel 1.25 5.98 1.56 0.15
BM1684X SoC resnet_opencv.soc resnet50_int8_1b.bmodel 1.15 5.92 1.04 0.15
BM1684X SoC resnet_opencv.soc resnet50_int8_4b.bmodel 0.96 5.95 0.78 0.11

测试说明：

  1. 时间单位均为毫秒(ms)，统计的时间均为平均每张图片处理的时间；
  2. 性能测试结果具有一定的波动性，建议多次测试取平均值；

8. FAQ

请参考FAQ查看一些常见的问题与解答。